企业官网建设流程全解析

• 自动驾驶
• 计算机视觉

本文是 Ceres Solver 官方文档中「General Unconstrained Minimization」（一般无约束最小化）一节的深度技术指南，完整对应仓库 gradient_solver.rst。Ceres 不仅用于求解非线性最小二乘问题，其内部还内置了一套仅依赖目标函数值与梯度就能求解任意形式无约束优化问题的求解器，通过GradientProblem与GradientProblemSolver暴露给用户。在本仓库中，这套求解器随 lidar2imu/auto_calib 一起以源码形式集成（见 CMakeLists.txt），是激光雷达与 IMU 外参标定中非线性优化的核心底层组件之一。读完本文，你将掌握FirstOrderFunction/GradientProblem的建模方式、GradientProblemSolver::Options全部参数的含义与调优方法、线搜索与收敛判据的数学原理，以及如何解析Summary输出诊断求解质量。

一、定位：与 Problem 的差异，为什么需要一套独立接口

Ceres Solver 的大部分能力围绕**非线性最小二乘（Non-linear Least Squares）**展开，其建模入口是Problem类：用户添加ResidualBlock（残差块），每个残差块由CostFunction描述，优化目标是让所有残差平方和最小。

但实际工程中还存在一类更一般的问题：目标函数并非「残差平方和」形式，无法拆成逐项残差，只能拿到函数值f(x)与其梯度∇f(x)。GradientProblem正是为此而生——正如文档所强调的：

与Problem类只能建模非线性最小二乘问题不同，GradientProblem的实例不受目标函数形式限制。

从源码结构看，gradient_problem.h 中的注释明确说明：GradientProblem在结构上是FirstOrderFunction与可选的LocalParameterization的组合：

• FirstOrderFunction负责计算目标函数的 cost 与梯度；
• LocalParameterization负责在**环境空间（ambient space）与局部切空间（local tangent space）**之间来回映射；
• 当不提供LocalParameterization时，切空间默认与梯度所在的欧氏环境空间重合。

内部实现也印证了这一点：gradient_problem.cc 中，仅传入函数的构造函数会默认创建一个IdentityParameterization(function_->NumParameters())，即恒等参数化；两个构造函数都会取得传入对象的所有权（文档与 gradient_problem_test.cc 的TakesOwnershipOfFirstOrderFunction测试用例都验证了这一行为）。

二、建模：FirstOrderFunction 接口

2.1 接口定义

FirstOrderFunction是GradientProblem框架中用户唯一必须实现的抽象基类，定义于 first_order_function.h，其接口与文档描述完全一致：

class FirstOrderFunction { public: virtual ~FirstOrderFunction() {} // cost 永不为空；gradient 可能为空。返回值表示本次求值是否成功。 virtual bool Evaluate(const double* const parameters, double* cost, double* gradient) const = 0; virtual int NumParameters() const = 0; };

两个纯虚函数的契约：

• Evaluate(parameters, cost, gradient)：计算函数在当前参数点上的值。若gradient非NULL，则同时计算梯度写入该数组；若求值成功返回true，否则返回false。文档特别指出cost保证永远不为NULL，而gradient可以为NULL——这意味着求解器只在需要时才请求梯度，实现时务必以if (gradient != NULL)分支保护梯度计算，避免无谓开销。
• NumParameters()：返回函数定义域中的参数个数（环境空间的维度）。

2.2 完整示例：Rosenbrock 函数

GradientProblem头文件与官方教程 gradient_tutorial.rst 都以经典的Rosenbrock 函数为例演示建模。Rosenbrock 函数是验证无约束优化算法的标准测试函数，定义如下：

f(x, y) = (1 - x)^2 + 100 * (y - x^2)^2

其全局极小值位于(x, y) = (1, 1)，且函数在一条狭长的弯曲谷底中变化缓慢，非常考验优化器的收敛能力。对应的FirstOrderFunction实现为：

class Rosenbrock : public ceres::FirstOrderFunction { public: virtual ~Rosenbrock() {} virtual bool Evaluate(const double* parameters, double* cost, double* gradient) const { const double x = parameters[0]; const double y = parameters[1]; cost[0] = (1.0 - x) * (1.0 - x) + 100.0 * (y - x * x) * (y - x * x); if (gradient != NULL) { gradient[0] = -2.0 * (1.0 - x) - 200.0 * (y - x * x) * 2.0 * x; gradient[1] = 200.0 * (y - x * x); } return true; } virtual int NumParameters() const { return 2; } };

这份示例代码与测试文件 gradient_problem_solver_test.cc 中定义的Rosenbrock类几乎逐行一致，可视为可复制的官方参考实现。注意其中gradient[0]是f对x的偏导、gradient[1]是对y的偏导，用户必须保证梯度解析式与 cost 表达式严格对应，否则优化结果不可信。

2.3 进阶：AutoDiffFirstOrderFunction（自动微分免写梯度）

手工推导并编码梯度既繁琐又易错。为此 Ceres 提供了 autodiff_first_order_function.h 中的AutoDiffFirstOrderFunction：只需像编写普通CostFunction一样编写一个模板化的仿函数（functor），框架会用 Jet 类型替换模板参数T自动完成梯度计算。

// 标量误差 e = x'y - a，其中 x、y 为二维列向量参数，a 为常量 class QuadraticCostFunctor { public: explicit QuadraticCostFunctor(double a) : a_(a) {} template <typename T> bool operator()(const T* const xy, T* cost) const { const T* const x = xy; const T* const y = xy + 2; *cost = x[0] * y[0] + x[1] * y[1] - T(a_); return true; } private: double a_; }; // 构造：模板参数 <仿函数, 参数维度> FirstOrderFunction* function = new AutoDiffFirstOrderFunction<QuadraticCostFunctor, 4>( new QuadraticCostFunctor(1.0));

从实现源码看，AutoDiffFirstOrderFunction::Evaluate在gradient == nullptr时直接调用functor(parameters, cost)只求值；否则构造Jet<double, kNumParameters>数组，把单位向量写入每个参数的微分部分（x[i].v[i] = 1.0），一次前向传播同时得到 cost 与梯度。使用警告：functor 会被不同类型的T实例化，因此与其他数值类型混算前必须显式转换（如上面例子中的T(a_)），否则会导致编译错误或错误的导数。

三、建模：GradientProblem

定义于 gradient_problem.h，公开接口如下：

class GradientProblem { public: explicit GradientProblem(FirstOrderFunction* function); GradientProblem(FirstOrderFunction* function, LocalParameterization* parameterization); int NumParameters() const; int NumLocalParameters() const; bool Evaluate(const double* parameters, double* cost, double* gradient) const; bool Plus(const double* x, const double* delta, double* x_plus_delta) const; };

关键语义：

• 构造函数取得所有权：传入的FirstOrderFunction（以及可选的LocalParameterization）指针会被GradientProblem接管并负责销毁，调用方不应再手动释放。测试 gradient_problem_test.cc 专门验证了析构行为。
• Evaluate：封装了对function->Evaluate的调用。当gradient非空时，内部先通过scratch_缓冲区取得原始梯度，再用parameterization_->MultiplyByJacobian(...)将其投影到切空间（见 gradient_problem.cc）。
• Plus：等价于parameterization_->Plus(x, delta, x_plus_delta)，在流形上完成「参数 + 切向量」的更新，是线搜索计算新迭代点的基础。注意文档与源码均标注Evaluate不是线程安全的，多线程共享同一GradientProblem时需要外部加锁或为每个线程复制实例。
• NumParameters与NumLocalParameters：分别返回环境空间维度与切空间维度；只有当使用非恒等LocalParameterization时二者才不同（例如单位四元数参数化下，4 维环境空间对应 3 维切空间）。

当优化参数本身具有流形结构（如旋转矩阵、四元数、SE(3) 位姿）时，LocalParameterization至关重要——它能保证优化始终停留在合法流形上。GradientProblem通过Plus与梯度投影把流形信息注入线搜索求解流程，这也正是它能在 lidar2imu 这类涉及旋转外参标定的场景中安全工作的原因之一。

四、求解：Solve 函数与 Options 全参数解析

4.1 入口函数

文档给出的求解入口为（与 gradient_problem_solver.h 一致）：

void Solve(const GradientProblemSolver::Options& options, const GradientProblem& problem, double* parameters, // 入参为初始猜测，出参为解 GradientProblemSolver::Summary* summary);

parameters数组在进入时保存初始猜测，求解结束后被原地更新为最优解（仅当summary->IsSolutionUsable()为真时；见 gradient_problem_solver.cc）。

4.2 Options 成员默认值总表

GradientProblemSolver::Options控制求解器整体行为，其默认值定义于 gradient_problem_solver.h，与文档逐项对应：

*注：文档正文对min_line_search_step_size与max_solver_time_in_seconds未标注数值或标注为1e6，当前仓库头文件 gradient_problem_solver.h 中的实际默认值分别为1e-9与1e9。若依赖这些默认值，请以编译所链接的 Ceres 版本头文件为准。

Options::IsValid(string* error)用于校验配置合法性：成功返回true；失败返回false并通过error给出文本化原因。其实现（gradient_problem_solver.cc）会把GradientProblemSolver::Options逐字段拷贝为Solver::Options（见GradientProblemSolverOptionsToSolverOptions的COPY_OPTION宏，gradient_problem_solver.cc），并强制minimizer_type = LINE_SEARCH，随后复用标准Solver::Options::IsValid的校验逻辑——这说明GradientProblem求解本质上是以 LINE_SEARCH 最小化器驱动的最小化流程。

4.3 方向类型：四种线搜索方向算法

枚举定义位于 types.h，注释提供了完整算法背景：

• STEEPEST_DESCENT（最速下降）：取负梯度方向。实现简单，但接近极值点时收敛速度呈线性退化，通常仅作教学或对照实验用。
• NONLINEAR_CONJUGATE_GRADIENT（非线性共轭梯度）：线性共轭梯度法向非线性函数的推广，方向由当前梯度与历史方向线性组合生成，组合系数规则由nonlinear_conjugate_gradient_type决定（Fletcher-Reeves / Polak-Ribière / Hestenes-Stiefel）。
• BFGS：拟牛顿法，维护一个稠密的逆 Hessian 逼近，通过秩一更新迭代精化。对参数个数较少的问题精度高，但存储与计算量随参数规模呈平方增长。
• LBFGS（默认）：BFGS 的有限内存版本，只保留最近max_lbfgs_rank（默认 20）轮参数与梯度的观测窗口，无需显式构造 N×N 稠密矩阵即可计算搜索方向。头文件注释明确指出，当参数规模很大、N×N 矩阵的内存开销不可接受时，L-BFGS 尤其重要——这正是高维标定问题中选择默认LBFGS的原因。

4.4 线搜索类型与插值

• line_search_type：ARMIJO为仅满足 Armijo 条件的回溯搜索；WOLFE（默认）要求满足强 Wolfe 条件（Armijo 充分下降 + 曲率条件）。文档特别强调：为保证 BFGS / L-BFGS 方向算法赖以成立的假设成立，应当使用WOLFE。
• line_search_interpolation_type：在每次试探中，用多项式近似一维线搜索目标函数。BISECTION是纯回溯无插值；QUADRATIC/CUBIC（默认）用二次 / 三次多项式插值求下一个候选步长，收敛所需试探次数通常更少。

4.5 收敛与终止判据（数学细节）

三个容差参数共同决定求解器何时宣布收敛，其定义与 line_search_minimizer.cc 中的实际判断代码一一对应：

1. function_tolerance（默认 1e-6）：目标函数值相对变化满足

   |Δcost| / cost ≤ function_tolerance

   时终止，其中Δcost为当前线搜索迭代中目标函数值的变化量（无论上升或下降）。

2. gradient_tolerance（默认 1e-10）：梯度投影后的最大范数满足

   ‖x - Π ⊞(x, -g(x))‖∞ ≤ gradient_tolerance

   时终止。其中Π是向边界约束的投影，⊞是参数向量整体LocalParameterization的Plus运算，‖·‖∞为最大范数。源码注释建议该值通常取1e-4 * function_tolerance。

3. parameter_tolerance（默认 1e-8）：参数步长满足

   ‖Δx‖ ≤ (‖x‖ + parameter_tolerance) * parameter_tolerance

   时终止，Δx为当前线搜索迭代中线性求解器算出的步长。

此外还有两个“人为约束”：max_num_iterations（默认 50）与max_solver_time_in_seconds，达到上限即停止（对应TerminationType中的NO_CONVERGENCE，即“跑满迭代/时间但未达容差”）。

4.6 线搜索内部参数：收缩、扩张与重启

• 收缩（contraction）：每次线搜索试探后，若当前步长不满足条件，则按

  max_line_search_step_contraction * step_size ≤ new_step_size ≤ min_line_search_step_contraction * step_size

  收缩步长，默认区间为[1e-3, 0.6]。文档强调恒有0 < max_step_contraction < min_step_contraction < 1。

• 扩张（expansion）：Wolfe 搜索的括区间阶段，若步长内的点不满足条件，则按

  new_step_size ≤ max_line_search_step_expansion * step_size

  扩张步长寻找包含满足条件点的括区间，默认10.0（恒有max_step_expansion > 1.0）。

• max_num_line_search_step_size_iterations（默认 20）：每次线搜索内试探步长的最大次数。文档特别指出一个保护机制：若使用WOLFE搜索、且在限内已经找到满足 Armijo 充分下降条件的点，即使该点不满足强 Wolfe 条件，也会返回其中函数值最低的步长作为新步长，以避免优化器在次优点过早终止。
• max_num_line_search_direction_restarts（默认 5）：方向算法无法产生新的下降方向时的最大重启次数。重启通常意味着数值失败或所用逼近的失效，达到上限即终止优化。
• min_line_search_step_size：线搜索在满足‖Δx_k‖∞ < min_line_search_step_size时终止（文档公式），实现中则将该步长截断为 0。
• line_search_sufficient_function_decrease（默认 1e-4）：即Armijo 条件——精确求解线搜索在计算上不可行，因此只需找到使目标函数“充分下降”的步长：

  f(step_size) ≤ f(0) + sufficient_decrease * f'(0) * step_size

• line_search_sufficient_curvature_decrease（默认 0.9）：强 Wolfe 曲率条件要求步长处梯度沿搜索方向的幅度充分下降：

  |f'(step_size)| ≤ sufficient_curvature_decrease * |f'(0)|

4.7 use_approximate_eigenvalue_bfgs_scaling：为什么默认关闭

Oren 的研究表明，将 BFGS / L-BFGS 的初始逆 Hessian 逼近从单位阵改为I * γ，其中标量γ近似真实逆 Hessian 的一个特征值，能在大量场景改善收敛。γ的计算公式为：

γ = (y_k' s_k) / (y_k' y_k)

其中y_k = ∇f_{k+1} - ∇f_k，s_k = x_{k+1} - x_k（[Nocedal & Wright, Numerical Optimization]）。启用后，该缩放会在 BFGS 首轮迭代前与 LBFGS 的每一轮右乘中生效。

文档明确警告：该缩放并不总是改善收敛，对某些问题甚至可能显著恶化性能，因此默认关闭。具体风险有二：

1. 当问题对各参数的敏感性差异很大时，单一标量因子无法刻画这种差异，会“拖低”对应低敏感度参数的 Jacobian 逼近分量；
2. 它会降低解对 Jacobian 误差的鲁棒性。

调参建议：先在默认关闭状态下得到基线结果，再开启对比收敛曲线与最终 cost；若开启后迭代数明显减少且鲁棒性未受损，再考虑保留。

4.8 日志与回调

• logging_type：PER_MINIMIZER_ITERATION（默认，每轮迭代输出一次进度）或SILENT（关闭）。
• minimizer_progress_to_stdout：默认false，进度按 vlog 级别写入STDERR；设为true且logging_type != SILENT时改送STDOUT。
• callbacks：vector<IterationCallback*>，按给定顺序在每轮迭代结束时执行。注意求解器不接管这些指针的所有权（文档与 gradient_problem_solver.h 均明确）。默认情况下用户参数块只在优化结束时统一更新；若希望在回调中读取每轮更新后的参数，需同时设置update_state_every_iteration = true。该行为有专门测试覆盖：UpdateStateEveryIterationOption（gradient_problem_solver_test.cc）对比了关闭与开启状态下回调所见x值的变化。
• update_state_every_iteration：默认false。设为true时每轮迭代都更新参数向量，适合构建交互式应用（如结合IterationCallback实时可视化优化过程）。从求解器实现看，该选项会插入一个GradientProblemSolverStateUpdatingCallback到回调链头部（gradient_problem_solver.cc），并在内部solution与用户parameters_ptr之间同步数据。

五、输出诊断：GradientProblemSolver::Summary

求解结束后，Summary记录了求解过程的完整快照（定义见 gradient_problem_solver.h），包含：

报告方法：

• BriefReport()：一行简要描述（迭代数、初始/最终 cost、终止类型）；
• FullReport()：多行完整报告，输出参数数、线搜索方向/类型、初始与最终 cost 及变化量、迭代数、分项耗时与终止原因；
• IsSolutionUsable()：返回解是否数值上可信。当termination_type为CONVERGENCE、USER_SUCCESS或NO_CONVERGENCE时为true——即收敛、用户主动停止或跑满迭代/时间这三种情况。

终止信息：

• termination_type：最小化器终止原因（枚举值见 types.h 中TerminationType）；
• message：终止原因的文本描述。

代价与迭代：

• initial_cost/final_cost：优化前后的目标函数值；
• iterations：按序排列的每轮IterationSummary；
• num_cost_evaluations/num_gradient_evaluations：cost（不含梯度）与 gradient（含 cost）的求值次数。求解器实现从 evaluator 统计表"Evaluator::Residual"与"Evaluator::Jacobian"中提取这两项（gradient_problem_solver.cc）。

耗时统计：

• total_time_in_seconds：求解器总耗时；
• cost_evaluation_time_in_seconds：cost 求值耗时；
• gradient_evaluation_time_in_seconds：梯度求值耗时。

问题规模与算法回显：

• num_parameters：问题参数个数；num_local_parameters：切空间维度（使用LocalParameterization时与前者不同）；
• line_search_direction_type、line_search_type、line_search_interpolation_type、nonlinear_conjugate_gradient_type、max_lbfgs_rank：实际使用的算法配置，便于复现实验。

5.1 进度行字段解读

开启minimizer_progress_to_stdout = true后，每轮迭代会输出一行进度，官方文档给出了示例（与教程 gradient_tutorial.rst 中 Rosenbrock 例子的真实输出一致）：

0: f: 2.420000e+01 d: 0.00e+00 g: 2.16e+02 h: 0.00e+00 s: 0.00e+00 e: 0 it: 2.00e-05 tt: 2.00e-05 1: f: 4.280493e+00 d: 1.99e+01 g: 1.52e+01 h: 2.01e-01 s: 8.62e-04 e: 2 it: 7.32e-05 tt: 2.19e-04 ... 34: f: 1.885250e-22 d: 4.84e-17 g: 2.69e-10 h: 1.45e-08 s: 1.00e+00 e: 1 it: 4.05e-06 tt: 1.00e-03

各列含义：

官方教程给出的完整收敛报告（Rosenbrock，默认 LBFGS 参数）可作为诊断基准：

• 35 轮迭代后f从2.420000e+01降至1.885250e-22；
• Termination: CONVERGENCE (Gradient tolerance reached. Gradient max norm: 9.032775e-13 <= 1.000000e-10)；
• 报告中回显Line search direction: LBFGS (20)、Line search type: CUBIC WOLFE，与默认选项完全吻合。

六、端到端示例：从建模到求解的完整代码

综合前文，一个完整的GradientProblem使用流程如下（Rosenbrock 函数，可对照教程与测试验证）：

#include "ceres/ceres.h" #include "ceres/gradient_problem.h" #include "ceres/gradient_problem_solver.h" class Rosenbrock : public ceres::FirstOrderFunction { public: virtual ~Rosenbrock() {} bool Evaluate(const double* parameters, double* cost, double* gradient) const override { const double x = parameters[0]; const double y = parameters[1]; cost[0] = (1.0 - x) * (1.0 - x) + 100.0 * (y - x * x) * (y - x * x); if (gradient != NULL) { gradient[0] = -2.0 * (1.0 - x) - 200.0 * (y - x * x) * 2.0 * x; gradient[1] = 200.0 * (y - x * x); } return true; } int NumParameters() const override { return 2; } }; int main() { double parameters[2] = {-1.2, 1.0}; // 初始猜测 ceres::GradientProblem problem(new Rosenbrock()); // 接管所有权 ceres::GradientProblemSolver::Options options; options.minimizer_progress_to_stdout = true; options.max_num_iterations = 100; // 默认 50，可放宽 // 可选调优： // options.line_search_direction_type = ceres::LBFGS; // options.max_lbfgs_rank = 20; // options.function_tolerance = 1e-6; // options.gradient_tolerance = 1e-10; ceres::GradientProblemSolver::Summary summary; ceres::Solve(options, problem, parameters, &summary); std::cout << summary.FullReport() << "\n"; std::cout << "x = " << parameters[0] << ", y = " << parameters[1] << "\n"; return 0; }

参照测试用例 gradient_problem_solver_test.cc，该问题在默认选项下应以CONVERGENCE终止，且(x, y)收敛到(1.0, 1.0)（误差1e-9以内）。

七、与 SensorsCalibration 仓库的结合：Ceres 在 lidar2imu 标定中的角色

本仓库的 lidar2imu/auto_calib 目录完整集成了 Ceres Solver 源码（ceres/子目录包含include/、internal/、docs/等完整源码树），并直接在 CMake 层面使用：

# lidar2imu/auto_calib/CMakeLists.txt（摘录） add_subdirectory(ceres) include_directories(${PROJECT_SOURCE_DIR}/ceres/include) target_link_libraries(${PROJECT_NAME} libjsoncpp.a ${OpenCV_LIBS} ${Boost_SYSTEM_LIBRARY} ceres)

在 optimize.hpp 中可以看到 Ceres 的实际用法：通过ceres::AutoDiffCostFunction<BalmVoxelEnergy1, 1, 4, 3>(...)等模板定义残差块，用ceres::QuaternionRotatePoint处理旋转，建立Problem后交给 Ceres 求解器——这是非线性最小二乘路径（Problem+AutoDiffCostFunction）在标定中的典型应用。而本文的GradientProblem路径则适用于目标函数无法拆成残差平方和的一般无约束优化场景，两者互为补充，共同构成 Ceres 在传感器标定问题中的完整求解能力。

7.1 从源码验证文档结论

• 所有权语义：GradientProblem通过std::unique_ptr持有FirstOrderFunction与LocalParameterization（gradient_problem.h），与文档“构造函数接管所有权”的表述一致。
• 默认参数化：单参构造函数默认注入IdentityParameterization（gradient_problem.cc），印证文档“未提供 LocalParameterization 时切空间与欧氏空间重合”。
• LINE_SEARCH 最小化器复用：GradientProblemSolverOptionsToSolverOptions强制minimizer_type = LINE_SEARCH并把全部线搜索参数原样拷贝给Solver::Options（gradient_problem_solver.cc），从实现层面证实该求解器复用标准 line-search minimizer 引擎。
• 收敛判断落地：gradient_tolerance、function_tolerance、parameter_tolerance三个判据在 line_search_minimizer.cc 中逐条实现，与文档公式对应。
• 测试覆盖：gradient_problem_test.cc覆盖所有权转移与参数化求值路径；gradient_problem_solver_test.cc覆盖默认选项下 Rosenbrock 收敛、update_state_every_iteration回调行为；autodiff_first_order_function_test.cc覆盖自动微分一阶函数。

八、调参实战建议

1. 默认配置优先：LBFGS + WOLFE + CUBIC对绝大多数中等规模无约束问题已是稳妥起点，官方文档亦说明默认值“适用于广泛的问题范围”。Rosenbrock 基准显示默认配置 35 轮即可将 cost 压到1e-22量级并触发梯度容差收敛。
2. 根据参数维度选方向：参数少（如 < 100 维）可尝试BFGS获取更精确的 Hessian 逼近；参数多时坚持LBFGS，并围绕max_lbfgs_rank做实验——文档明确提示“没有硬性规则，最佳秩通常需要针对具体问题做实验”，且过大的秩会带来时间与空间开销而无相应收益（因为该方法只用割线信息且 Hessian 逼近被约束为正定）。
3. 先看 Summary 再调参：用FullReport()检查termination_type、num_gradient_evaluations、gradient_evaluation_time_in_seconds。若NO_CONVERGENCE，优先放宽max_num_iterations；若迭代早期就因parameter_tolerance停止但f下降不充分，说明步长被过早截断，可检查min_line_search_step_size与收缩系数。
4. Wolfe 条件优先：要使用 BFGS / L-BFGS 方向，务必保持line_search_type = WOLFE，否则拟牛顿方向算法赖以成立的假设可能被破坏。
5. 特征值缩放谨慎开启：use_approximate_eigenvalue_bfgs_scaling默认关闭是有充分理由的，仅在梯度尺度均衡的问题上测试收益，切忌在参数敏感性差异大的问题上盲目开启。
6. 交互可视化时开启状态更新：若需要每轮读取最新参数（如绘制迭代轨迹），同时设置update_state_every_iteration = true并注册IterationCallback，注意求解器不接管回调指针的所有权，生命周期需自行管理。

九、小结

GradientProblem/GradientProblemSolver是 Ceres 中面向一般无约束最小化的完整求解链路：FirstOrderFunction负责提供函数值与梯度（可手工解析或经AutoDiffFirstOrderFunction自动微分），GradientProblem通过可选的LocalParameterization将流形结构融入优化，GradientProblemSolver::Options提供从方向算法、线搜索策略到三条收敛判据的全套旋钮，Summary则给出求解过程的可复现诊断。本文涉及的接口定义、默认值、测试与实现证据均可在 lidar2imu/auto_calib/ceres 目录下逐一核实，读者可在此基础上继续阅读 gradient_tutorial.rst（完整运行示例）与 nnls_solving.rst（最小二乘求解对照），以构建完整的 Ceres 优化知识体系。

• 自动驾驶
• 计算机视觉